iphone電池壽命的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

終身機器學習（原書第2版）

為了解決iphone電池壽命的問題，作者(美)陳志源劉兵 這樣論述：

本書介紹終身學習這種高級機器學習範式，這種範式通過積累過去的知識持續地學習，並將學到的知識用於幫助在未來進行其他學習和解決問題。相比之下，當前主流的機器學習範式都是孤立學習，即給定一個訓練資料集，之後在這個資料集上運行機器學習演算法以生成模型，然後再將該模型運用于預期的應用。這些范式不保留已經學到的知識，也不將其運用到後續的學習中。與孤立學習系統不同，人類只通過少量的樣例就能實現有效學習，這是因為人類的學習是知識驅動的，即只需少量的資料或付出，就能利用過去已經學到的知識去學習新事物。終身學習的目標就是模仿人類的這種學習能力，因為一個沒有持續學習能力的AI系統不能算作真正的智慧。 自本書第1版

出版以來，終身學習的研究在相對較短的時間內取得了顯著的進展。出版第2版是為了擴展終身學習的定義，更新部分章節的內容，並添加一個新的章節來介紹深度神經網路中持續學習的內容，這部分內容在過去的兩三年裡一直被積極研究。部分章節的內容也進行了修改，使得內容更有條理，方便讀者閱讀。此外，作者希望為這一研究領域提出一個統一的框架。目前，在機器學習中有幾個與終身學習密切相關的研究課題，特別是多工學習、遷移學習以及元學習，因為它們也採用了知識共用和知識遷移的思想。本書之所以集中介紹這些技術並討論其異同，目的是在介紹終身機器學習的同時，對該領域的重要研究成果和新想法進行全面回顧。本書適用於對機器學習、資料採擷、

自然語言處理或模式識別感興趣的學生、研究人員和從業人員。   陳志源（ZhiyuanChen） 在伊利諾伊大學芝加哥分校劉兵教授的指導下獲得博士學位，博士論文題目為“終身機器學習：主題建模與分類”。他于2016年加入穀歌公司。他的研究興趣包括機器學習、自然語言處理、文本挖掘、資料採擷和競價拍賣演算法。他提出了幾種終身機器學習演算法，實現了自動從文本文檔中挖掘資訊，並在KDD、ICML、ACL、WWW、IJCAI和AAAI等主要會議上發表了超過15篇長篇研究論文。他還在IJCAI-2015、KDD-2016和EMNLP-2016上提供了三個關於終身機器學習的教程。他曾經是許

多著名的自然語言處理、資料採擷、人工智慧和互聯網研究會議的成員，並于2015年獲得伊利諾州技術基金會頒發的最有潛力50人獎，以表彰他的學術貢獻。 劉兵（Bing Liu） 是伊利諾伊大學芝加哥分校的傑出教授，在愛丁堡大學獲得了博士學位。他的研究興趣包括終身學習、情感分析、資料採擷、機器學習和自然語言處理，他在頂級會議和期刊上發表了大量論文，其中兩篇論文獲得了KDD 10年Test-of-Time獎，一篇論文獲得WSDM 10年Test-of-Time獎。他也是4本書的作者，其中2本關於情感分析，1本關於終身學習，1本關於資料採擷。他的一些工作被媒體廣泛報導，包括《紐約時報》的頭版文章。他是

2018 ACM SIGKDD創新獎的獲得者，也是很多頂級資料採擷會議（包括KDD、ICDM、CIKM、WSDM、SDM和PAKDD）的程式主席。他同時是包括TKDE、TWEB、DMKD和TKDD在內的頂級期刊的副編輯，還是很多自然語言處理、人工智慧、網路和資料採擷會議的領域主席或者高級程式委員會成員，並且曾經是2013～2017年ACM SIGKDD的主席，是ACM、AAAI和IEEE會士。   譯者序 前 言 致 謝 第1章 引言1 1.1 傳統機器學習範式1 1.2 案例3 1.3 終身學習簡史7 1.4 終身學習的定義9 1.5 知識類型和關鍵挑戰14 1.6 評

估方法和大資料的角色17 1.7 本書大綱18 第2章 相關學習範式20 2.1 遷移學習20 2.1.1 結構對應學習21 2.1.2 樸素貝葉斯遷移分類器22 2.1.3 遷移學習中的深度學習23 2.1.4 遷移學習與終身學習的區別24 2.2 多工學習25 2.2.1 多工學習中的任務相關性25 2.2.2 GO-MTL：使用潛在基礎任務的多工學習26 2.2.3 多工學習中的深度學習28 2.2.4 多工學習與終身學習的區別30 2.3 線上學習30 2.4 強化學習31 2.5 元學習32 2.6 小結34 第3章 終身監督學習35 3.1 定義和概述36 3.2 基於記憶的終

身學習37 3.2.1 兩個基於記憶的學習方法37 3.2.2 終身學習的新表達37 3.3 終身神經網路39 3.3.1 MTL網路39 3.3.2 終身EBNN40 3.4 ELLA：高效終身學習演算法41 3.4.1 問題設定41 3.4.2 目標函數42 3.4.3 解決第一個低效問題43 3.4.4 解決第二個低效問題45 3.4.5 主動的任務選擇46 3.5 終身樸素貝葉斯分類47 3.5.1 樸素貝葉斯文本分類47 3.5.2 LSC的基本思想49 3.5.3 LSC技術50 3.5.4 討論52 3.6 基於元學習的領域詞嵌入52 3.7 小結和評估資料集54 第4章 持續

學習與災難性遺忘56 4.1 災難性遺忘56 4.2 神經網路中的持續學習58 4.3 無遺忘學習61 4.4 漸進式神經網路62 4.5 彈性權重合並63 4.6 iCaRL：增量分類器與表示學習65 4.6.1 增量訓練66 4.6.2 更新特徵表示67 4.6.3 為新類構建範例集68 4.6.4 在iCaRL中完成分類68 4.7 專家閘道69 4.7.1 自動編碼閘道69 4.7.2 測量訓練的任務相關性70 4.7.3 為測試選擇最相關的專家71 4.7.4 基於編碼器的終身學習71 4.8 生成式重放的持續學習72 4.8.1 生成式對抗網路72 4.8.2 生成式重放73 4.

9 評估災難性遺忘74 4.10 小結和評估資料集75 第5章 開放式學習79 5.1 問題定義和應用80 5.2 基於中心的相似空間學習81 5.2.1 逐步更新CBS學習模型82 5.2.2 測試CBS學習模型84 5.2.3 用於未知類檢測的CBS學習84 5.3 DOC：深度開放式分類87 5.3.1 前饋層和一對其餘層87 5.3.2 降低開放空間風險89 5.3.3 DOC用於圖像分類90 5.3.4 發現未知類90 5.4 小結和評估資料集91 第6章 終身主題建模93 6.1 終身主題建模的主要思想93 6.2 LTM：終身主題模型97 6.2.1 LTM模型97 6.2.

2 主題知識挖掘99 6.2.3 融合過去的知識100 6.2.4 Gibbs採樣器的條件分佈102 6.3 AMC：少量資料的終身主題模型102 6.3.1 AMC整體演算法103 6.3.2 挖掘must-link知識104 6.3.3 挖掘cannot-link知識107 6.3.4 擴展的Pólya甕模型108 6.3.5 Gibbs採樣器的採樣分佈110 6.4 小結和評估資料集112 第7章 終身資訊提取114 7.1 NELL：永不停止語言學習器114 7.1.1 NELL結構117 7.1.2 NELL中的提取器與學習118 7.1.3 NELL中的耦合約束120 7.2 終

身評價目標提取121 7.2.1 基於推薦的終身學習122 7.2.2 AER演算法123 7.2.3 知識學習124 7.2.4 使用過去知識推薦125 7.3 在工作中學習126 7.3.1 條件隨機場127 7.3.2 一般依賴特徵128 7.3.3 L-CRF演算法130 7.4 Lifelong-RL：終身鬆弛標記法131 7.4.1 鬆弛標記法132 7.4.2 終身鬆弛標記法133 7.5 小結和評估資料集133 第8章 聊天機器人的持續知識學習135 8.1 LiLi：終身交互學習與推理136 8.2 LiLi的基本思想139 8.3 LiLi的組件141 8.4 運行示例1

42 8.5 小結和評估資料集142 第9章 終身強化學習144 9.1 基於多環境的終身強化學習146 9.2 層次貝葉斯終身強化學習147 9.2.1 動機147 9.2.2 層次貝葉斯方法148 9.2.3 MTRL演算法149 9.2.4 更新層次模型參數150 9.2.5 對MDP進行採樣151 9.3 PG-ELLA：終身策略梯度強化學習152 9.3.1 策略梯度強化學習152 9.3.2 策略梯度終身學習設置154 9.3.3 目標函數和優化154 9.3.4 終身學習的安全性原則搜索156 9.3.5 跨領域終身強化學習156 9.4 小結和評估資料集157 第10章 結

論及未來方向159 參考文獻164     前言 Lifelong Machine Learning,Second Edition   編寫第2版的目的是擴展終身學習的定義，更新部分章節的內容，並添加一個新的章節來介紹深度神經網路中的持續學習(continual learning in deep neural networks），這部分內容在過去的兩三年裡一直被積極研究。另外，還重新組織了部分章節，使得內容更有條理。 編寫本書的工作始於我們在2015年第24屆國際人工智慧聯合會議（IJCAI）上關於終身機器學習(lifelong machine learning）的教程

。當時，我們已經對終身機器學習這個主題做了一段時間的研究，並在ICML、KDD和ACL上發表了幾篇文章。當Morgan ＆ Claypool出版社聯繫我們要出版關於該主題的圖書時，我們很興奮。我們堅信終身機器學習（或簡稱終身學習）對未來的機器學習和人工智慧（AI）至關重要。值得注意的是，終身學習有時在文獻中也被稱為持續學習(continuallearning）或連續學習(continuous learning）。我們對該主題的最初研究興趣源於幾年前在一個初創公司所做的關於情感分析（SA）的工作中所積累的廣泛應用經驗。（典型的SA專案始于客戶在社交媒體中對他們自己或競爭對手的產品或服務發表的消費

者意見。）SA系統包含兩個主要的分析任務：（1）發現人們在評論文檔（如線上評論）中談到的實體（例如，iPhone）和實體屬性/特徵（例如，電池壽命）；（2）確定關於每個實體或實體屬性的評論是正面的、負面的或中立的［Liu,2012,2015］。例如，從“iPhone真的很酷，但它的電池壽命很糟糕”這句話中，SA系統應該發現：（1）作者對iPhone的評論是正面的；（2）作者對iPhone的電池續航時間的評論是負面的。 在參與許多領域（產品或服務的類型）的許多專案之後，我們意識到跨領域和跨項目之間存在著大量可共用的資訊。隨著我們經歷的項目越來越多，遇到的新事物卻越來越少。很容易看出，情感詞和短

語（如好的、壞的、差的、糟糕的和昂貴的）是跨領域共用的，大量的實體和屬性也是共用的。例如，每個產品都有價格屬性，大量電子產品有電池，大多數還有螢幕。如果不使用這些可共用的資訊來大幅度提高SA的準確度，而是單獨處理每個專案及其資料，是比較愚蠢的做法。經典的機器學習范式完全孤立地學習。在這種範式下，給定一個資料集，學習演算法在這個資料集上運行並生成模型，演算法沒有記憶，因此無法使用先前學習的知識。為了利用知識共用，SA系統必須保留和積累過去學到的知識，並將其用於未來的學習和問題的解決，這正是終身學習(lifelonglearning）的目標。 不難想像，這種跨領域和跨任務的資訊或知識共用在每個領域

都是正確的。在自然語言處理中尤為明顯，因為單詞和短語的含義在不同領域和任務之間基本相同，句子語法也是如此。無論我們談論什麼主題，都使用相同的語言，儘管每個主題可能只使用一種語言中的一小部分單詞和短語。如果情況並非如此，那麼人類也不會形成自然語言。因此，終身學習可以廣泛應用，而不僅僅局限於情感分析。 本書的目的是提出這種新興的機器學習範式，並對該領域的重要研究成果和新想法進行全面的回顧。我們還想為該研究領域提出一個統一的框架。目前，機器學習中有幾個與終身學習密切相關的研究課題，特別值得注意的是多工學習和遷移學習，因為它們也採用了知識共用和知識遷移的思想。本書將集中介紹這些主題，並討論它們之間的

相同和差異。我們將終身學習視為這些相關範式的擴展。通過本書，我們還想激勵研究人員開展終身學習的研究。我們相信終身學習代表了未來幾年機器學習和人工智慧的主要研究方向。如果不能保留和積累過去學到的知識，對知識進行推理，並利用已學到的知識幫助未來的學習和解決問題，那麼實現通用人工智慧（Artificial General Intelligence, AGI）是不可能的。 編寫本書遵循了兩個主要指導原則。首先，它應該包含開展終身學習研究的強大動機，以便鼓勵研究生和研究人員致力於研究終身學習的問題。其次，它的內容對於具有機器學習和資料採擷基礎知識的從業者和高年級本科生應該是易於理解的。但是，對於計畫攻

讀機器學習和資料採擷領域博士學位的研究生來說，應該學習更加詳盡的資料。 因此，本書適用於對機器學習、資料採擷、自然語言處理或模式識別感興趣的學生、研究人員和從業人員。   陳志源和劉兵 2018年8月  

iphone電池壽命進入發燒排行的影片

新興光電技術的剖析與智權佈局：聚焦在電子束蒸鍍製作異質接面結構太陽能電池技術、紅外線感測技術

為了解決iphone電池壽命的問題，作者劉箐茹 這樣論述：

本論文主要是在研究新興光電技術應用中二種關鍵光電元件及其相關專利之智權分布概況。這兩種光電元件，一為太陽能電池，另一為紅外線光感測器。首先，我們所研究的太陽能電池是以具本質薄膜層之異質接面太陽電池(Heterojunction with Intrinsic Thin layer，簡稱HIT)為主題，我們採用電子束蒸鍍機製作新型之異質接面矽基太陽能電池。研究結果發現在切割損傷去除蝕刻流程和450°C形成氣體退火之製程後，可有效的改善短路電流及開路電壓。相較於傳統的PECVD設備，可降低製程設備成本。基於上述之優點，將該製程技術進一步來申請專利，並透過專利申請之實務過程中了解該製程技術的可專利性

。目前已取得相關專利包含中華民國新型專利、中華民國發明專利及日本發明專利共三篇。再來，我們針對紅外線光感測器之應用來做介紹，分別以三維光達（3D LiDAR）及大氣遙測光達(Gas mapping LiDAR）來進行說明。最後，我們以類似專利佈局的觀點來研究此兩種光電元件的全球專利申請狀況。從全球專利檢索發現，HIT太陽電池的專利申請以發明專利為最主要申請類型，佔全球申請量之89%，申請國家以中國大陸為主要。IPC技術分類可以發現，技術顯著集中在H01L類上，大部分的技術歸屬在H01L31/00上。關於三維光達(3D LiDAR)技術方面，有相當大的比重是通過發明專利進行保護，全球統計發明專利

佔所有專利比重的95.8%。中國大陸是最主要的申請國。大氣遙測光達(Gas mapping LiDAR）方面，發明專利佔所有專利比重的83%，全球大氣遙測光達專利以申請人排名來看，在排名前十五的專利申請人中有，6個來自中國大陸、5個來自美國，2個來自德國，韓國和沙烏地阿拉伯各1。台灣有合作參與共計有2件，均歸屬於來自美國的專利。依據2020年版的IPC專利分類，與大氣遙測光達(Gas mapping LiDAR）最相關的技術前十位中有7項專利歸類在G類，並以G01、G05與G06等類別的專利數量為最多。

改變未來的祕密交易：英國BBC調查記者揭露!他們怎麼創造了問題，然後把答案賣給我們

為了解決iphone電池壽命的問題，作者JacquesPeretti 這樣論述：

　　◎有病才吃藥，那藥廠賺什麼？藥廠讓政府降低疾病標準，暴增幾千萬人得吃藥。 　　◎金融風暴時，誰救了西方各國銀行體系？不是金管會、不是政府，是黑道！  　　◎蘋果、谷歌、微軟、臉書、亞馬遜打算怎樣統治地球？英國BBC調查告訴你。 　　◎為什麼我們都聽麥肯錫的……？「後真相」是什麼賺錢方式……？ 　　iPhone改變了現代人的習慣，Windows打造了現今人們的生活？錯！ 　　其實AI根本不會害人失業，但結果未必是你想要的…… 　　改變世界的，並不是產品、發明，而是一樁樁私下談成的商業交易。 　　本書作者傑克斯‧帕雷帝，是英國BBC調查記者，被稱為全英國最敢爆料的記者。 　　20年來，

他採訪了許多改變世界的執行長、政治人物、經濟學家與科學家， 　　現在，他將調查成果集結成本書，告訴你一個驚人的事實： 　　為什麼會有人血拼到想剁手？為什麼你得拚命加班才能在職場存活？ 　　還有對財富、消費、工作與繳稅的概念，就連吃進嘴裡的食物，甚至是阿拉伯之春， 　　全都是由幕後談定的祕密交易造成的。這些人創造了問題，然後把答案賣給我們。 　　◎這些交易改變了我們的花錢、工作方式，也決定了我們的「健康標準」。 　　．手機支付，現金垂死：  　　付現金會引發消費者「付現神經痛」，唯有刷卡才能快樂揮霍，於是 　　蘋果與摩根大通聽到了你的心聲，與銀行祕密交易，創立Apple Pay服務， 　　未

來，現金居然是下等人用的東西！連非洲也不例外，元凶居然是臉書。 　　．誰決定ＢＭＩ多高算胖—— 　　想辦法連奧運短跑金牌都算胖，再讓脂肪替糖背黑鍋，就能造就大生意。 　　因為只有肥胖成為流行病，藥廠才能賣藥賺大錢。 　　當大家都說都市進步就代表民眾變胖？為何法國人說沒這回事！ 　　還有，什麼病這麼可怕——我問你答填填看，打勾六項就算有病！           　　．顧客永遠不滿，生意做不完—— 　　燈泡半年就壞，手機半年就換，原來是業者共謀，逼你和他們一起進步。 　　賈伯斯到底有何盤算，設計一個讓你自己轉不開的梅花形螺絲？ 　　這也是廠商的陰謀：計畫性不滿？就是與其等東西壞，不如你自己生厭想

換。 　　◎「後真相」商機——企業、政客、廣告、新聞，最奏效的賣點是什麼？ 　　．為什麼我們都聽麥肯錫的—— 　　因為搭上「那家公司」的權力，是成為世界級企業的捷徑。 　　甚至想搶贏敵手，你也需要「那家公司」（的人才）。 　　但你知道「那家公司」手提產業建言，一手玩私募基金嗎？   　　．人工智慧不會讓人類失業—— 　　機器人，要嘛是你部屬、要嘛當主管，因為它越來越像人，人也越來越像它。 　　以後的教育分兩類：一種培養執行長，另一種是負責訓練機器人的部屬， 　　你屬於哪一種？      　　還有，當商人開始干政，執行長開始治國—— 　　蘋果、谷歌、微軟、臉書、亞馬遜科技五大天王將如何接管

世界？ 　　唯有中國不需要這些外國科技大廠，因為他們有兩萬個馬斯克？ 　　一群高人在會議室、高爾夫球場、酒吧裡談成的交易， 　　改變了我們的工作、賦稅，也讓我們用不同的角度思考生活。 　　這些交易都有一個共通點，那就是發明了一個問題，然後銷售它的解答。 名人推薦 　　楊斯棓  醫師、台灣菲斯特公司顧問 　　林建甫  臺灣經濟研究院院長 　　胡忠信  歷史學者、政治評論家 　　陳鳳馨  News98財經起床號節目主持人 　　蘇書平 先行智庫／為你而讀執行長

蘋果手機電池效能造成降頻事件對於台灣供應商股價之影響

為了解決iphone電池壽命的問題，作者林錦褔 這樣論述：

台灣在手機的零組件供應鏈中在全球佔有一席之地，而台灣更是納入蘋果手機iphone的重要供應鏈中之一，對於台灣手機零組件產品供應鏈重大及深遠的影響關係與牽動，而台灣供應鏈廠商是否未來有重大之影響也關係著台灣股市波動。本研究目的主要以探討蘋果手機事件對於影響台灣供應鏈廠商股價之影響，利用事件日研究方法來驗證是否會造成我國蘋果手機供應商產生股票之價格出現異常報酬分析的因素，本研究是以2017年至2018年之間相關事件為研究事件之分析並依台灣蘋果手機供應鏈產業為研究主體，研究結果證實彙整如下：1. 蘋果公司「iphone新機預告」提高零組件須求之供應，受預期心理效果影響對台灣蘋果零組件產業之股

票帶來正向異常報酬。2. 蘋果公司「降頻電池」事件導致對於台灣蘋果零組件產業之股票價格產生負向異常報酬。3. 蘋果公司「訴訟」事件導致對於台灣蘋果零組件產業之股票價格產生負向異常報酬。